Trafik işaretlerini tanıyan bir sürücü güvenlik destek sistemi
A driver safety support system which recognize traffic signs
- Tez No: 617269
- Danışmanlar: DOÇ. DR. ERSEN YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Bursa Uludağ Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 72
Özet
Karayollarında sürücü hatalarının neden olduğu trafik kazalarını en aza indirmeyi amaçlayan sürüş güvenliği arttırılmış araçlar tasarlamak günümüz otomotiv teknolojisinin en önemli konularından biridir. Bu amaçla araçlardaki aktif ve pasif güvenlik sistemlerinin sayısı gün geçtikçe artmaktadır. Aktif güvenlik sistemlerinden birisi olan trafik işaretlerini tanıma sistemleri ön kameralar aracılığı ile trafik işaretlerini tanıyan ve sürücüleri bilgilendiren sistemlerdir ve yeni nesil araçlarda yerini almaya başlamıştır. Gerçek zamanlı çalışan bu sistemler özellikle karmaşık yol koşullarında istenilen performansa henüz ulaşamamışlardır ve önemli bir araştırma konusu olmaya devam etmektedirler. Bu çalışmada trafik işaretlerinin tanınmasını amaçlayan evrişimsel sinir ağları (ESA) temelli bir sürücü güvenlik destek sistemi (SGDS) önerilmiştir. Trafik işareti veri kümesi olarak Alman Trafik İşareti Tanıma Veri Kümesi (GTSRB) kullanılmıştır. Eğitim kümesindeki imgelerin sayısal orantısızlığı nedeniyle veri çoğaltma metotları kullanılarak eğitim kümesindeki imge sayıları arttırılmıştır. LeNet-5, AlexNet, GoogleNet ve ResNet ESA mimarileri kullanılarak oluşturulan ESA modellerinin katman yapısı ile en uygun eğitilme parametrelerine deneysel olarak karar verilmiştir. Yapılan deneyler sonucunda ResNet mimarisi kullanılarak önerilen SGDS'nin %98,10 sınıflandırma doğruluğuna sahip olduğu gösterilmiştir. Ayrıca, GTSRB kullanılarak eğitilen SGDS'nin Türkiye karayollarında çekilmiş bir grup trafik işareti imgesi üzerindeki başarım sonuçları sunulmuştur.
Özet (Çeviri)
Designing vehicles with improved driving safety that aim to minimize the number of traffic accidents caused by driver errors on highways is one of the most important issues of today's automotive technology. For this purpose, the number of active and passive safety systems in vehicles is increasing day by day. Traffic sign recognition systems, which are one of the active safety systems, are the systems that recognize the traffic signs through the front looking cameras and inform the drivers and they have started to take their place in the new generation vehicles. These systems, which operate in real time, have not yet achieved the desired performance, especially in complex road conditions, and remain an important research topic. In this study, a driver safety support system (DSSS) based on convolutional neural networks (CNN), which aims to recognize traffic signs, was proposed. The German Traffic Sign Recognition Benchmarks (GTSRB) dataset was used as the traffic sign data set. Due to the numerical disproportion of the images in the training set, the number of images in the training set was increased by using data augmentation methods. The layer structure and the most appropriate training parameters of the CNN models using LeNet-5, AlexNet, GoogleNet and ResNet CNN architectures were determined experimentally. As a result of the experiments, it was shown that the proposed DSSS using ResNet architecture has 98.10% classification accuracy. Also, DSSS performance results were presented on a group of traffic signs which are taken in Turkey highways.
Benzer Tezler
- Derin öğrenme ile trafik işaretlerini tanıyan bir sürücü destek sistemi
A driver assistance system that recognizes traffic signs with deep learning
MOHAMED TAGHİ
Yüksek Lisans
Türkçe
2022
UlaşımBandırma Onyedi Eylül ÜniversitesiAkıllı Ulaşım Sistemleri ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İLYAS ÖZER
- Derin öğrenme yöntemleriyle trafik işaretlerinin gerçek zamanlı sınıflandırılması
Real-time classification of traffic signs with deep learning methods
KEMAL USANMAZ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELDA GÜNEY
- Trafik işaretlerinin derin sinir ağları ile sınıflandırılması
Classification of traffic signs with deep neural networks
BURCU TİRYAKİ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMİN ARGUN ORAL
- Optimal yol aydınlatması
Optimal road-lighting
REŞİT ERÇETİN
Doktora
Türkçe
1999
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik Eğitimi Ana Bilim Dalı
PROF.DR. SEMRA ÖZTÜRK
- Otonom araçlar için trafik işaretlerini tanıma sistemi
Traffic sign recognition system for autonomous vehicles
EMRE BALKAN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Arel ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER IŞIK